Нейрокомпьютерные системы — это системы, которые способны выполнять обработку информации на базе принципов работы естественных нейронных сетей.
Введение
Теория искусственных нейронных сетей, которой посвящены фундаментальные работы многих зарубежных и российских ученых, получила широкое развитие. Причем главные направления исследований сопряжены с созданием моделей искусственных нейронов, исследованием структуры и свойств разных моделей нейронных сетей, их обучением (настройкой) для разрешения актуальных задач и созданием нейрокомпьютерных систем на их базе. Сегодня тематика нейронных сетей превратилась в междисциплинарную и. образовала новые научные направления, такие как нейронная информатика, нейронная математика и другие.
Нейронные сети и нейрокомпьютеры уже сегодня нашли применение для решения задач, касающихся практически всех областей научно-исследовательской и инженерной деятельности. К этим областям относятся авиация и космическая техника, энергетика (в том числе и атомная), химическая, электронная и нефтегазодобывающая отрасли и другие.
Общеизвестно, что искусственные нейронные сети, прежде всего, используются для решения сугубо специфических задач, которые трудно формализовать, что позволяет предположить высокую эффективность применения нейрокомпьютеров в так называемых системах специального (двойного) предназначения. На текущий момент в связи с очень стремительным развитием информационных технологий следует ожидать появления новых сверхмощных универсальных нейронных вычислительных комплексов и систем, которые способны выполнять очень большие объемы вычислений в реальном масштабе времени.
Бурный прогресс в сфере нейрокомпьютерных технологий ведет к возникновению научных проблем и задач, системному анализу которых раньше уделяли недостаточно внимания.
Нейрокомпьютерные системы
Для того чтобы решить задачи идентификации и прогнозирования технического состояния, можно использовать искусственные нейронные сети или, просто нейронные сети разного рода. Для реализации с максимальным эффектом функций нейронной сети обычно имеется оптимальный набор ее параметров. Таким образом, одной из главных задач, которые стоят перед проектировщиками нейронной сети, может считаться определение этого набора параметров, определяющего, в конечном итоге, вид сети.
Главным компонентом сети выступает искусственный нейрон (далее нейрон). Нейроны являются сравнительно простыми, однотипными компонентами, которые имитируют работу нейронов мозга. Любой нейрон может характеризоваться своим текущим состоянием аналогично нервным клетками головного мозга, которые могут быть возбужденными и заторможенными. Искусственный нейрон, аналогично его естественному прототипу, обладает группой синапсов (входов), соединенных с выходами других нейронов, а также обладает аксоном, то есть, выходной связью данного нейрона, откуда сигнал возбуждения или торможения может поступать на синапсы других нейронов. Общий вид нейрона изображен на рисунке ниже.
Рисунок 1. Общий вид нейрона. Автор24 — интернет-биржа студенческих работ
Любой синапс может быть охарактеризован величиной синаптической связи или весом wi, который по своему физическому смыслу является эквивалентом электрической проводимости. Текущее состояние нейрона должно определяться взвешенной суммой его входов:
Рисунок 2. Формула. Автор24 — интернет-биржа студенческих работ
Здесь:
- x является входом нейрона,
- w является соответствующим данному входу весом.
Выходом нейрона является функция его состояния, то есть y=f(s). Нелинейная функция f (s) именуется активационной, сжимающей функцией или функцией возбуждения нейрона. Главные виды активационных функций, которые применяются в нейронных сетях, показаны на рисунке ниже.
Рисунок 3. Главные виды активационных функций, которые применяются в нейронных сетях. Автор24 — интернет-биржа студенческих работ
То есть, основными видами активационных функций являются следующие виды:
- а) - пороговая функция,
- b) - полулинейная функция,
- c) - сигмоидальная функция.
В качестве активационной функции чаще всего применяется сигмоидальная (s-образная или логистическая) функция. Данная функция математически определяется следующей формулой:
Рисунок 4. Формула. Автор24 — интернет-биржа студенческих работ
При уменьшении a сигмоидальная функция может становиться более пологой, в пределе при a = 0 может вырождаться в горизонтальную линию на уровне 0,5.
Выбор структуры нейронной сети должен осуществляться согласно особенностям и сложности задачи. Для того чтобы решить некоторые отдельные типы задач можно использовать уже существующие оптимальные, на сегодняшний день конфигурации. А когда задачу не удается свести ни к одному из известных типов, разработчики вынуждены решать сложную проблему синтеза новых конфигураций.
Теоретически количество слоев и количество нейронов в любом слое нейронной сети может быть произвольным, тем не менее на практике оно может ограничиваться ресурсами компьютера или специализированных микросхем, на которых, как правило, создается нейронная сеть.
Нейроны подразделяются на следующие типы согласно функциям, которые они выполняют в сети:
- Входные нейроны, то есть, нейроны входного слоя, которые способны принимать данные из внешней среды и некоторым образом распределять их дальше по сети.
- Промежуточные нейроны, то есть, нейроны скрытого слоя, на которые возлагается роль главных участников процесса решения задачи.
- Выходные нейроны, то есть, нейроны выходного слоя, которые способны передавать результаты работы сети во внешнюю среду (потребителям).
В зависимости от механизма обработки поступающих данных существует много математических моделей нейронов. Можно выделить две группы моделей нейронов, которые принадлежат, соответственно, следующим типам сетей:
- Классическому типу сетей.
- Нечеткому типу сетей.
Каждая из моделей нейронов имеет ряд присущих ей свойств, тем не менее, есть и общие черты, к которым относится тот факт, что все модели имеют входной и выходной сигналы, а, кроме того, еще и блок, предназначенный для их обработки. Но для решения конкретных задач имеется целый ряд наиболее предпочтительных моделей нейронов.
